La Riassicurazione - Università degli Studi di PerugiaPietro Di Leo
In questa breve presetazione si definisce cos'è la riassicurazione, quali sono i soggetti riassicuratori, le teorie ed i metodi matematici per valutare un contratto riassicurativo.
Inoltre si fa una breve panoramica sul mercato di tale settore, presentando il lavoro di una tra le maggiori imprese riassicuratrici al mondo: la Swiss Re.
La Riassicurazione - Università degli Studi di PerugiaPietro Di Leo
In questa breve presetazione si definisce cos'è la riassicurazione, quali sono i soggetti riassicuratori, le teorie ed i metodi matematici per valutare un contratto riassicurativo.
Inoltre si fa una breve panoramica sul mercato di tale settore, presentando il lavoro di una tra le maggiori imprese riassicuratrici al mondo: la Swiss Re.
Queste slide dal titolo provocatorio cercano di dare l'idea che la stupidità e la pigrizia possono avere un effetto positivo nela programmazione per la ricerca di soluzioni semplici. Nello specifico caso parliamo di funzioni in C
Localizzazione delle colonnine per la ricarica dei veicoli elettrici a RomaAlessandro Sepiacci
Problema di localizzazione degli Impianti: trovare l’allocazione ottima delle colonnine per la ricarica dei veicoli elettrici in modo tale da soddisfare tutti i clienti, in funzione dei vantaggi o degli svantaggi relativi alla loro utilizzazione.
Un Metodo Nuovo e Semplice per Generare Numeri PseudocasualiDH Pereira
Itamaracá o semplicemente "Ita" è una nuova, semplice e veloce base matematica del PRNG che produce una sequenza "infinita" e non periodica di numeri con una distribuzione uniforme nell'intervallo [0,1].
In questo lavoro, attraverso il modello proposto da -Itamaracá-, tenendo conto della funzione valore assoluto |x|, vediamo che ∀ N numeri ∈ ℕ ≠ 0 hanno il loro valore massimo quando si sottrae la moltiplicazione tra ∀ S Cioè, attraverso una scelta arbitraria della costante λ (tenendo conto della frazione) per valori "seme" di N ∈ ℕ ≥ 0 ⊂ 0, si ottiene una sequenza di numeri casuali Xn con periodo "finito" il cui valore massimo è determinato dalla dimensione di N, tenendo conto della distribuzione uniforme [a, b]. Nel corso dello studio, l'algoritmo ha dimostrato di possedere buone proprietà statistiche in termini di uniformità e criteri di indipendenza. In questo senso, grazie alle sue proprietà uniche, ci si aspetta che venga utilizzato per tutte le attività in cui è richiesta un'elevata velocità nella generazione di sequenze casuali.
The problem of measuring “similarity” of objects arises in
many applications, and many domain-specific measures
have been developed.
complementary approach, applicable in any domain
with object-to-object relationships.
“two objects are similar if
they are related to similar objects.” This general similarity
measure, called SimRank, is based on a simple and intuitive
graph-theoretic model.
Bipartite SimRank nei Domini Omogenei
Bipartite SimRank in Homogeneous Domains
Minimax Variation
In un sistema elaboratore in multiprogrammazione ogni programma è inizialmente caricato nel sistema da un lettore di schede, riceve poi una o più iterazioni di CPU e operazioni su nastro o disco e alla fine esce dal sistema stampando i risultati. Ogni lavoro riceve un numero di iterazioni distribuito geometricamente con media 4 iterazioni prima di uscire dal sistema attraverso la stampante. Terminato un servizio di CPU, se non esce ha 0,875 probabilità di richiedere un servizio disco e 0,125 di richiedere nastro. Il servizio CPU è esponenziale di media 0,8 s; quello di disco uniforme tra 0,5 e 2,5 s, e quello di nastro ancora uniforme tra 2 e 16 s. La coda Q1 è a due livelli A e B con prelazione e priorità a favore di A. All'interno di ciascun livello il servizio è FIFO. Le code Q2 e Q3 siano invece servite SPTF. Il 20% dei lavori in arrivo dall'esterno siano diretti alla categoria A e i rimanenti a B. Nel corso delle iterazioni i lavori conservano la propria classificazione. Il sistema può ospitare soltanto un numero limitato di programmi (Q1 + Q2 + Q3 <= 20). Nell'ipotesi che il sistema funzioni al massimo della capacità (20) determinare media e varianza del numero di lavori espletati per unità di tempo, al 90% del livello di confidenza.
Una delle tecniche utilizzate nei giochi a due avversari in cui uno è una macchina è quella del min-max. Esaminiamola e costruiamone una implementazione object-oriented in C++
Queste slide dal titolo provocatorio cercano di dare l'idea che la stupidità e la pigrizia possono avere un effetto positivo nela programmazione per la ricerca di soluzioni semplici. Nello specifico caso parliamo di funzioni in C
Localizzazione delle colonnine per la ricarica dei veicoli elettrici a RomaAlessandro Sepiacci
Problema di localizzazione degli Impianti: trovare l’allocazione ottima delle colonnine per la ricarica dei veicoli elettrici in modo tale da soddisfare tutti i clienti, in funzione dei vantaggi o degli svantaggi relativi alla loro utilizzazione.
Un Metodo Nuovo e Semplice per Generare Numeri PseudocasualiDH Pereira
Itamaracá o semplicemente "Ita" è una nuova, semplice e veloce base matematica del PRNG che produce una sequenza "infinita" e non periodica di numeri con una distribuzione uniforme nell'intervallo [0,1].
In questo lavoro, attraverso il modello proposto da -Itamaracá-, tenendo conto della funzione valore assoluto |x|, vediamo che ∀ N numeri ∈ ℕ ≠ 0 hanno il loro valore massimo quando si sottrae la moltiplicazione tra ∀ S Cioè, attraverso una scelta arbitraria della costante λ (tenendo conto della frazione) per valori "seme" di N ∈ ℕ ≥ 0 ⊂ 0, si ottiene una sequenza di numeri casuali Xn con periodo "finito" il cui valore massimo è determinato dalla dimensione di N, tenendo conto della distribuzione uniforme [a, b]. Nel corso dello studio, l'algoritmo ha dimostrato di possedere buone proprietà statistiche in termini di uniformità e criteri di indipendenza. In questo senso, grazie alle sue proprietà uniche, ci si aspetta che venga utilizzato per tutte le attività in cui è richiesta un'elevata velocità nella generazione di sequenze casuali.
The problem of measuring “similarity” of objects arises in
many applications, and many domain-specific measures
have been developed.
complementary approach, applicable in any domain
with object-to-object relationships.
“two objects are similar if
they are related to similar objects.” This general similarity
measure, called SimRank, is based on a simple and intuitive
graph-theoretic model.
Bipartite SimRank nei Domini Omogenei
Bipartite SimRank in Homogeneous Domains
Minimax Variation
In un sistema elaboratore in multiprogrammazione ogni programma è inizialmente caricato nel sistema da un lettore di schede, riceve poi una o più iterazioni di CPU e operazioni su nastro o disco e alla fine esce dal sistema stampando i risultati. Ogni lavoro riceve un numero di iterazioni distribuito geometricamente con media 4 iterazioni prima di uscire dal sistema attraverso la stampante. Terminato un servizio di CPU, se non esce ha 0,875 probabilità di richiedere un servizio disco e 0,125 di richiedere nastro. Il servizio CPU è esponenziale di media 0,8 s; quello di disco uniforme tra 0,5 e 2,5 s, e quello di nastro ancora uniforme tra 2 e 16 s. La coda Q1 è a due livelli A e B con prelazione e priorità a favore di A. All'interno di ciascun livello il servizio è FIFO. Le code Q2 e Q3 siano invece servite SPTF. Il 20% dei lavori in arrivo dall'esterno siano diretti alla categoria A e i rimanenti a B. Nel corso delle iterazioni i lavori conservano la propria classificazione. Il sistema può ospitare soltanto un numero limitato di programmi (Q1 + Q2 + Q3 <= 20). Nell'ipotesi che il sistema funzioni al massimo della capacità (20) determinare media e varianza del numero di lavori espletati per unità di tempo, al 90% del livello di confidenza.
Una delle tecniche utilizzate nei giochi a due avversari in cui uno è una macchina è quella del min-max. Esaminiamola e costruiamone una implementazione object-oriented in C++
Simulazione mediante matlab di un sistema di comunicazione con modulazioni mu...Tullio Emilio Di Simone
Progetto interamente in Matlab, svolto durante il corso di “Sistemi per Telecomunicazioni” tenuto dal prof. Francesco Verde , facoltà di Ingegneria delle Telecomunicazioni, Università degli studi di Napoli Federico II.
1. IMPLEMENTAZIONE IN VBA DI OPZIONI ESOTICHE
Università Degli Studi Di Padova
Dipartimento Di Scienze Economiche e Aziendali
Corso Di Laurea Magistrale in Economia e Finanza
Arcuri Stefania 1035987 - Peraro Valentina 1040045 - Schiavon Lucia 1035797
Computational Finance
A.A. 2012/2013
2. SCHEMA DEL LAVORO
Presentazione dei fondamenti teorici
Cos’è il rischio di controparte?
Quando sorge?
In cosa consiste l’esposizione a tale rischio?
Descrizione del modello di implementazione in
VBA
Caso Pratico
Analisi dei codici
2
3. COS’Ѐ IL RISCHIO DI CONTROPARTE
Dalla Circolare n° 263 del 27 dicembre 2006 di Banca
d’Italia, il rischio di controparte è definito come:
il rischio che la controparte di una transazione
finanziaria avente ad oggetto determinati strumenti
finanziari risulti inadempiente prima del regolamento
della transazione stessa.
A differenza del rischio di credito in cui la probabilità di
perdita è unilaterale e in capo alla banca erogante, il
rischio di controparte crea, di regola, un rischio di perdita
di tipo bilaterale. Infatti, il valore di mercato della
transazione può essere positivo o negativo per entrambe
le controparti.
3
4. QUANDO SORGE
4
Principalmente dall’utilizzo di derivati Over the
Counter (OTC), dove:
• mancano quotazioni ufficiali asimmetria
informativa;
• la diffusione delle informazioni tra le parti non è
regolamentata maggiore rischiosità.
Il 15/03/13 è entrata in vigore l’ EMIR obblighi di
compensazione di strumenti derivati OTC,
segnalazione informativa a soggetti autorizzati.
5. L’ ESPOSIZIONE AL
RISCHIO
Il possessore di un contratto è esposto al rischio
di controparte quando:
La controparte è inadempiente non onora i
pagamenti previsti dal contratto;
Il possessore stesso è creditore sostituire il
contratto significa subire una perdita pari al
valore di mercato del contratto (MtM+).
5
6. Asimmetria del rischio di controparte:
Se il possessore è creditore subirà una perdita
pari al MtM+;
Se, invece, è debitore non subirà né una perdita
né otterrà un guadagno.
6
7. ANALITICAMENTE (1)
E, EE, EPE
L’esposizione (E) al rischio è funzione del Mark-to-Market:
𝐸𝑖(𝑡) = max 𝑀𝑡𝑀𝑖(𝑡); 0
L'esposizione attesa per ogni periodo futuro sarà l’Expected
Exposure (EE):
𝐸𝐸(𝑡) =
𝑖=1
𝑚
𝐸[𝑚𝑎𝑥(𝑀𝑡𝑀𝑖(𝑡); 0)]
La stima ad oggi delle esposizioni future è data dall'Expected
Positive Exposure (EPE) in un intervallo temporale [0;T]:
𝐸𝑃𝐸(𝑇) = 𝑡=0
𝑇
𝐸𝐸 𝑡 ∗𝑡
𝑇
7
8. ANALITICAMENTE (2)
dall’EE ed EPE all’EEE ed EEPE
PROBLEMA:
L'EE e l'EPE possono sottostimare l'esposizione per
transazioni a breve maturity.
Questo avviene a causa dell’estinzione dei contratti di
breve periodo, sebbene questi siano sostituiti con nuovi
contratti la metrica non integra con i nuovi valori.
SOLUZIONE:
Basilea II ha introdotto delle misure alternative (definite
effettive). Si tratta di:
Effective Expected Exposure (EEE);
Effective Expected Positive Exposure (EEPE).
8
9. ANALITICAMENTE (3)
EEE, EEPE
L'EEE introduce un vincolo di non decremento,
tale per cui ad un dato periodo l'EE non può
essere inferiore all'EEE del periodo precedente:
𝐸𝐸𝐸 𝑡 = 𝑚𝑎𝑥 𝐸𝐸 𝑡 ; 𝐸𝐸𝐸(𝑡 − 1)
L'EEPE è la media ponderata per il tempo delle
EEE:
𝐸𝐸𝑃𝐸(𝑇) =
𝑡=0
𝑇
𝐸𝐸𝐸 𝑡 ∗ 𝑡
𝑇
9
11. VALUTAZIONE
DELL’ESPOSIZIONE
Il rischio risiede nell’evoluzione del sottostante, stimata
attraverso simulazioni MonteCarlo ed i cui input sono stati:
S0: valore iniziale del sottostante;
K: strike price;
r: risk-free rate;
σ: volatilità storica del sottostante
Δt: intervallo di tempo espresso in anni;
T: maturity;
m: numero di scenari
Tali per cui:
𝑆𝑡 = 𝑆𝑡−1 ∗ 𝑒𝑥𝑝 𝑟 −
𝜎2
2
∗ ∆𝑡 + 𝜎 ∗ ∆𝑡 ∗ 𝑁(0,1)
11
12. Ottenute le n*m simulazioni di 𝑆𝑡 si passa a calcolare
gli m payoff per il primo time step:
dove n, numero di time step, è ricavato come rapporto
tra Δt e il periodo di analisi x, pari a un anno o alla
maturity se questa è inferiore ad un anno.
Opzione Payoff
Call Asiatica 𝑚𝑎𝑥
1
𝑇
𝑡=1
𝑇
𝑆𝑡 − 𝐾; 0
Barriera Call Up-and-Out
𝑚𝑎𝑥 𝑆 𝑇 − 𝐾; 0 𝑠𝑒 𝑚𝑎𝑥𝑆𝑡 < 𝐵
0 𝑠𝑒 𝑚𝑎𝑥𝑆𝑡 > 𝐵
Barriera Call Up-and-In
𝑚𝑎𝑥 𝑆 𝑇 − 𝐾; 0 𝑠𝑒 𝑚𝑎𝑥𝑆𝑡 > 𝐵
0 𝑠𝑒 𝑚𝑎𝑥𝑆𝑡 < 𝐵
Lookback Call 𝑚𝑎𝑥 𝑆 𝑇 − 𝑚𝑖𝑛𝑆𝑡; 0
Lookback Put 𝑚𝑎𝑥 𝑚𝑎𝑥𝑆𝑡 − 𝑆 𝑇; 0
12
13. MONTECARLO IN
MONTECARLO…
Al fine di mantenere memoria delle simulazioni, ad
ogni time step successivo al primo si è ripetuto MC
ponendo:
𝑆0(𝑡) =
1
𝑀 𝑚=1
𝑀
𝑆 𝑚(𝑡 − 1)
N.B. Di volta in volta si considera un orizzonte
temporale via via decrescente.
Ad ogni nuova simulazione si riapplicano le formule di
payoff, ottenendo alla fine n*m payoff.
13
14. Ottenuti così gli m*n payoff, possiamo
passare al calcolo delle varie misure stimanti
l’esposizione.
Metriche Formule
EE(t) 1
𝑀
𝑚=1
𝑀
𝑝𝑎𝑦𝑜𝑓𝑓𝑚(𝑡)
EPE
𝑡=0
𝑇
[𝐸𝐸(𝑡) ∗ 𝑑𝑡]
𝑇
EEE(t) max 𝐸𝐸𝐸 𝑡 − 1 ; 𝐸𝐸(𝑡)
EEPE
𝑡=0
𝑇
[𝐸𝐸𝐸(𝑡) ∗ 𝑑𝑡]
𝑇
14
16. ESEMPIO DI CODICE: Call Asiatica
1/12
Abbiamo nominato la macro e dichiarato le variabili
principali:
Sub Asiancall()
Dim sigma As Double, S0 As Double, K As Long, r As Currency
Dim q As Double, n As Integer, T As Double, sum As Long
Dim dt As Double, x As Double
16
17. ESEMPIO DI CODICE: Call Asiatica
2/12
Con i seguenti codici istruiamo VBA riguardo le celle di
Excel in cui trovare i valori input delle variabili:
S0 = Foglio2.Cells(7, 3)
K = Foglio2.Cells(8, 3)
r = Foglio2.Cells(9, 3)
sigma = Foglio2.Cells(10, 3)
dt = Foglio2.Cells(11, 3)
T = Foglio2.Cells(14, 3)
m = Foglio2.Cells(12, 3)
17
18. ESEMPIO DI CODICE: Call Asiatica
3/12
In questa sezione di codice ricaviamo n (numero di time
step) dopo aver definito x (orizzonte temporale non
superiore a un anno). L’ultima riga ordina a VBA di
inserire il valore nella specifica cella di Excel.
dt = dt / 360
If T > 1 Then
x = 1
Else
x = T
End If
w = x / dt
n = Fix(w)
Foglio2.Cells(13, 3) = n
18
19. ESEMPIO DI CODICE: Call Asiatica
4/12
Indicazioni delle dimensioni delle matrici e definizione
delle variabili ‘accessorie’ utili per i passaggi successivi.
ReDim s(1 To m, 1 To n)
ReDim array_po(1 To m, 1 To n)
ReDim EE(1, 1 To n)
ReDim EEE(1, 0 To n)
Dim p As Integer
Dim i As Integer
Dim j As Integer
Dim Y As Currency
Dim S1 As Double
Dim sum_s As Double
Dim med_s As Double
19
20. ESEMPIO DI CODICE: Call Asiatica
5/12
Inizializzazione degli indici e delle variabili. L’ultimo
comando permette la creazione di valori casuali non
ripetuti.
j = 1
i = 1
p = 0
sum_s = 0
EE_tot = 0
EEE_tot = 0
Randomize
20
21. ESEMPIO DI CODICE: Call Asiatica
6/12
Successivamente sono stati iniziati due cicli, con il primo
vogliamo ottenere i payoff per ogni time step. Con il ciclo
più interno, invece, simuliamo i valori del sottostante al
fine di calcolare il payoff per uno specifico time step.
Entrambi avvengono per m scenari.
Abbiamo utilizzato due cicli validi finché la condizione
non risulti falsa.
Do
…
Do
…
Loop Until i > m
Loop Until j > n
21
22. ESEMPIO DI CODICE: Call Asiatica
7/12
All’inizio del ciclo più interno le seguenti istruzioni
definiscono 𝑆0 per le simulazioni successivi alla prima.
Y = Application.WorksheetFunction.NormSInv(Rnd)
s(i, p) = S0 * Exp((r - ((sigma ^ 2) / 2) - q) * dt + sigma * (dt ^ (1 / 2)) * Y)
sum_s = s(i, p)
22
Do
If j > 1 Then
S0 = S1_m
End If
Di seguito viene calcolata la simulazione del sottostante
per il primo time step di ogni simulazione.
23. ESEMPIO DI CODICE: Call Asiatica
8/12
Successivamente si esegue il ciclo per calcolare il
sottostante nei rimanenti time step.
Il ciclo è valido fino a che la condizione indicata risulta
vera.
Do While p < n
p = p + 1
Y = Application.WorksheetFunction.NormSInv(Rnd)
s(i, p) = s(i, (p - 1)) * Exp((r - ((sigma ^ 2) / 2) - q) * dt + sigma *
(dt ^ (1 / 2)) * Y)
sum_s = sum_s + s(i, p)
Loop
23
24. ESEMPIO DI CODICE: Call Asiatica
9/12
Abbiamo poi calcolato il payoff.
Nel caso dell’opzione asiatica, occorre determinare la
media dei valori del sottostante e a questa sottrarre il
valore dello strike. Si è poi scelto di determinare il
massimo tra il valore ottenuto e 0 attraverso l’istruzione
‘If…Then…Else’.
med_s = sum_s / (p - j + 1)
payoff_s = med_s – K
If payoff_s >= 0 Then
array_po(i, j) = payoff_s
Else
array_po(i, j) = 0
End If
24
25. ESEMPIO DI CODICE: Call Asiatica
10/12
Terminiamo questo primo ciclo calcolando la somma dei
payoff per periodo e la somma dei valori del sottostante
al primo periodo delle rispettive simulazioni. Quest’ultimo
permette di calcolare la media dei sottostanti al primo
periodo, tale valore diventerà 𝑆0 alla successiva
ripetizione del ciclo.
p = tpp
S1 = S1 + s(i, p)
po_sum = po_sum + array_po(i, j)
i = i + 1
Loop Until i > m
S1_m = S1 / m
25
26. ESEMPIO DI CODICE: Call Asiatica
11/12
Possiamo ora calcolare due delle misure sopraindicate:
l’EE e l’EEE. Queste vengono poi mostrate sul foglio
Excel.
EE(1, j) = po_sum / m
Foglio2.Cells(5, 5 + j) = EE(1, j)
If j = 1 Then
EEE(1, j) = EE(1, j)
Else
EEE(1, j) = Application.WorksheetFunction.Max(EE(1, j), EEE(1, j - 1))
End If
Foglio2.Cells(7, 5 + j) = EEE(1, j)
EE_tot = EE_tot + EE(1, j) * dt
EEE_tot = EEE_tot + EEE(1, j) * dt
26
27. ESEMPIO DI CODICE: Call Asiatica
12/12
Infine, chiuso il secondo ciclo, calcoliamo le altre due
misure: l’EPE e l’EEPE, mostrandole sul foglio Excel.
EE_tot = EE_tot + EE(1, j) * dt
EEE_tot = EEE_tot + EEE(1, j) * dt
…
Loop Until j > n
EPE = EE_tot / x
EEPE = EEE_tot / x
Foglio2.Cells(6, 6) = EPE
Foglio2.Cells(8, 6) = EEPE
End Sub
27